11 Δεκεμβρίου 2017

Τα Analytics από μόνα τους δεν επαρκούν για να καθοδηγήσουν την επιχείρησή σας

Όπου και αν κοιτάξουμε, επιχειρήσεις όλων των μορφών και μεγεθών αναζητούν να μετατραπούν σε ψηφιακές επιχειρήσεις. Αυτή η ταχύτατη ανάπτυξη-μετατροπή των επιχειρήσεων συχνά στηρίζεται σε μια πιο ισχυρή δομή, την σωστή οργάνωση των δεδομένων.

Τα στελέχη θέλουν να κάνουν πιο συνειδητές και στρατηγικές αποφάσεις με την βοήθεια των analytics αλλά και των μεγάλων δεδομένων (big data). Τα παγκόσμια έσοδα των big data και των business analytics αναμένεται να αυξηθούν 50%, δηλαδή από 122$ δισ. που ήταν το 2015, θα φτάσουν τα 187$ δισ το 2019, σύμφωνα με έρευνα της IDC.

Τελικά οι επιχειρηματικές επενδύσεις σε αυτές τις τεράστιες ολοκληρωμένες λύσεις θα τις βοηθήσει να παίρνουν τις καλύτερες αποφάσεις;

Τα στελέχη των προγνωστικών analytics, θα χρησιμοποιούν εργαλεία για να συγκρίνουν το παρελθόν με το μέλλον για να εντοπίζουν τυχόν συσχετισμούς μεταξύ τους, ώστε να προεκτείνουν τα μελλοντικά σχέδια των επιχειρήσεων με βάση τις συσχετίσεις. Τα Analytics θα ενημερώνουν την επιχείρηση για την ζήτηση του προϊόντος, τις προβλέψεις των πωλήσεων και των επενδυτικών στρατηγικών συμπεριλαμβανομένου τις προτεραιότητες που πρέπει να δοθούν για την βελτίωση των προϊόντων της εταιρείας και των υποδομών της. Όλα βασίζονται σε αυτά που είχαν συμβεί πριν για να παρθεί μια σωστή απόφαση για τα παραπάνω.

Τα Analytics παρόλα αυτά, δεν μπορούν να παρέχουν γνώσεις για πράγματα που ποτέ δεν έχουν συμβεί, αφού δεν υπάρχουν συσχετίσεις χωρίς ιστορικό. Αν υπάρχει ιστορικό, έχουν την δυνατότητα να προβλέψουν τις πολλαπλές επιπτώσεις που θα είχε μια μαζική διακοπή ρεύματος, μια επιδημία αλλά και μια παραβίαση ασφαλείας. Για να μπορέσουμε να κατανοήσουμε όλα αυτά τα πολύπλοκα μοντέλα πρόβλεψης, τα οποία λειτουργούν με πολύπλοκους αλγόριθμους για να εντοπίσουν την πιθανότητα να συμβεί ένα γεγονός, ακόμα κι αν δεν έχει συμβεί στο παρελθόν, χρειάζεται πληροφορία ή έστω κάποια εκ των προτέρων πιθανότητα.

Οι μεγάλες-σύνθετες επιχειρήσεις που χρειάζεται να κατανοήσουν τις παρελθοντικές τους αποφάσεις αλλά να προβλέψουν και μελλοντικά γεγονότα, είναι πλέον στην θέση να αξιοποιήσουν τα analytics με τα predictive analytics για να βελτιστοποιήσουν τις μελλοντικές τους αποφάσεις. Οι εταιρείες που χρησιμοποιούν μόνο μια από τις δύο προσεγγίσεις είναι καταδικασμένες, αφού στην μια περίπτωση ζουν στο παρελθόν χωρίς να γνωρίζουν τι θα συμβεί στο μέλλον και στην άλλη περίπτωση, ζουν μόνο με την μελλοντική γνώση χωρίς να ανατρέχουν στο παρελθόν για να προετοιμάσουν τις κινήσεις της επόμενης ημέρας.

Για παράδειγμα, τα analytics μπορεί να είναι το κλειδί για την λήψη αποφάσεων για μεγάλα καταστήματα λιανικής που τα προϊόντα αναπτύσσουν μεγάλες πωλήσεις τους τρεις (3) τελευταίους μήνες ή για καταστήματα που είχαν τις υψηλότερες πωλήσεις συγκεκριμένες ημέρες λόγω κάποιων καμπανιών ή προωθήσεων των προϊόντων τους. Οι επενδυτές, έχουν την δυνατότητα να ανατρέξουν στο προηγούμενο έτος και να εξακριβώσουν τα ακριβή κέρδη, μετοχές και ομόλογα που πραγματοποιήθηκαν σε διάφορες εταιρείες ή να ελέγξουν ποιες εταιρείες που χρηματοδότησαν έχουν κάποια μείωση στα έσοδά τους. Επίσης, τα analytics μπορούν να βοηθήσουν τις μεταφορικές εταιρείες να υπολογίσουν πόσα μίλια ανά γαλόνι καταγράφηκαν στον στόλο τους στο παρελθόν αλλά και πόσα περίπου λεφτά θα χρειαστεί να πληρώσουν τον χρόνο που θα ακολουθήσει. Με λίγα λόγια, συλλέγουν την πληροφορία του παρελθόντος για να ενημερώσουν τις επιχειρήσεις για αυτά που θα ακολουθήσουν, ώστε να τις καθοδηγήσει με πιο σωστές αποφάσεις.

Γενικότερα, οι επιχειρήσεις αντιμετωπίζουν πολλές από τις αποφάσεις κάθε ημέρας χωρίς την βοήθεια παλαιότερων γεγονότων, ώστε να μπορέσουν να εξετάσουν τι είχε συμβεί στο παρελθόν. Αυτός είναι και ο λόγος που τα πολύπλοκα συστήματα μοντελοποίησης έρχονται. Αξιοποιώντας τις γνώσεις των ειδικών του χώρου οι έμποροι λιανικής πώλησης μπορούν να αποκτήσουν εικόνα για μια καμπάνια που θέλουν να δοκιμάσουν, με βάση τις τάσεις των καταναλωτικών δαπανών, την ψυχολογία στα μέσα κοινωνικής δικτύωσης και εν αναμονή αλλαγές του φορολογικού δείκτη. Τα πολύπλοκα συστήματα μοντελοποίησης μπορούν να βοηθήσουν τις εταιρείες μεταφορών, οι οποίες προσπαθούν με την βοήθεια των analytics να καθορίσουν πόσο καύσιμο θα πρέπει να αγοράσουν, να προβλέπουν με ακρίβεια πως η τιμή των καυσίμων είναι πιθανό να επηρεαστεί το επόμενο έτος με βάση το σύνολο των διασυνδεδεμένων παραγόντων που επηρεάζουν την τιμή, όπως, οι καιρικές συνθήκες και οι πολιτικές αλλαγές. Τα πολύπλοκα αυτά συστήματα μπορούν να προβλέψουν πως ορισμένοι τομείς της χρηματιστηριακής αγοράς δρουν με βάση παράγοντες όπως οι τρέχοντες φορολογικοί συντελεστές των επιχειρήσεων, οι τιμές των βασικών εμπορευμάτων και οι τρέχουσες συναλλαγματικές ισοτιμίες, βοηθώντας τους επενδυτές να λάβουν την σωστή απόφαση.

Τέλος, καθώς οι επιχειρήσεις συνεχίζουν να δαπανούν υπέρογκα ποσά για τεχνολογίες που προβλέπουν αλλά και αναλύουν τα δεδομένα, είναι επιτακτική η ανάγκη να αναγνωρίσουμε τι μπορούν αλλά και τι δεν μπορούν να κάνουν τα analytics. Οι επιχειρήσεις που χρησιμοποιούν και τα analytics αλλά και τα πολύπλοκα ερμηνευτικά μοντέλα, έχουν πλήρη άποψη για τις μελλοντικές αποφάσεις τους και είναι σε καλό δρόμο για να επιτύχουν τα μεγαλύτερα κέρδη.

Πηγή: betanews.com